NVIDIA veröffentlicht FoundationPose für die 6D-Posenschätzung unbekannter Objekte

Ein Modell für die räumliche Wahrnehmung unbekannter Objekte

Mit FoundationPose stellt NVIDIA ein Modell für eine zentrale Aufgabe der Computer Vision bereit: die präzise Erfassung der räumlichen Lage und Orientierung eines Objekts in einer Szene. Die Veröffentlichung auf Hugging Face macht die Technologie für Forschung, Entwicklung und industrielle Erprobung leichter zugänglich. Im Mittelpunkt steht die sogenannte 6D-Posenschätzung, die nicht nur die Position eines Objekts im dreidimensionalen Raum, sondern auch seine Orientierung bestimmt.

Der entscheidende Ansatz von FoundationPose besteht darin, verschiedene Anwendungsszenarien innerhalb eines einheitlichen Modells abzudecken. Das Verfahren soll sowohl mit bekannten 3D-Modellen als auch mit einer begrenzten Zahl von Referenzbildern arbeiten können. Nach Angaben von NVIDIA ist dabei kein objektspezifisches Fine-Tuning erforderlich. Ein neues Objekt kann dem System demnach zur Laufzeit bereitgestellt werden, sofern die notwendigen Eingangsdaten vorhanden sind.

Diese Eigenschaft adressiert eine verbreitete Einschränkung klassischer Systeme. Viele Verfahren zur Objektpose müssen für eine bestimmte Produktfamilie, ein bestimmtes Bauteil oder einen konkreten Gegenstand trainiert werden. Ändert sich das Objekt, folgen häufig neue Datensammlungen, Annotationen und Trainingsläufe. FoundationPose verfolgt stattdessen einen stärker generalisierenden Ansatz: Das Modell soll die zugrunde liegende räumliche Aufgabe von der Identität des einzelnen Objekts entkoppeln.

Was 6D-Pose in der Praxis bedeutet

Der Begriff 6D-Pose beschreibt sechs Freiheitsgrade eines Objekts. Drei davon beziehen sich auf seine Position entlang der drei Raumachsen. Die übrigen drei beschreiben seine Rotation um diese Achsen. Ein Computersystem muss also ermitteln, wo sich ein Objekt befindet und wie es im Raum ausgerichtet ist.

Für eine zweidimensionale Bilderkennung reicht es häufig aus, ein Objekt mit einem Begrenzungsrahmen zu markieren. Für einen Roboter, der einen Gegenstand greifen, montieren oder bewegen soll, sind solche Informationen jedoch nicht ausreichend. Er muss wissen, an welcher Stelle sich die Greiffläche befindet, in welchem Winkel das Objekt liegt und ob es möglicherweise verdreht oder teilweise verdeckt ist.

Die 6D-Posenschätzung ist daher für zahlreiche Anwendungen relevant:

• Roboter greifen und sortieren Bauteile in Fertigungsumgebungen.
• Automatisierte Systeme erkennen die Lage von Werkzeugen und Komponenten.
• Autonome Maschinen planen Bewegungen relativ zu ihrer Umgebung.
• Augmented-Reality-Anwendungen verankern digitale Inhalte an realen Objekten.
• Inspektionssysteme vergleichen die erwartete und die tatsächlich beobachtete Objektposition.
• Logistiksysteme erfassen einzelne Waren oder Behälter in unstrukturierten Szenen.

Beim Tracking kommt eine zeitliche Dimension hinzu. Das System muss die Pose nicht nur in einem einzelnen Bild schätzen, sondern die Bewegung des Objekts über mehrere Bildfolgen hinweg verfolgen. Dabei kann es zu Verdeckungen, schnellen Bewegungen, wechselnden Lichtverhältnissen oder Veränderungen im Hintergrund kommen.

Der Unterschied zwischen modellbasiertem und modellfreiem Einsatz

FoundationPose unterstützt laut der veröffentlichten Beschreibung zwei grundlegende Betriebsarten. Im modellbasierten Szenario liegt ein CAD-Modell des Objekts vor. Dieses digitale 3D-Modell enthält geometrische Informationen, die das System nutzen kann, um mögliche Ansichten des Objekts zu erzeugen und mit den Beobachtungen aus der Kamera abzugleichen.

Der Vorteil dieses Ansatzes liegt in der vorhandenen Präzision. In der industriellen Fertigung sind CAD-Daten häufig bereits Teil des Entwicklungs- und Produktionsprozesses. Für bestehende Bauteile, Werkzeuge oder Maschinenkomponenten können sie deshalb als Grundlage für visuelle Systeme dienen. Voraussetzung ist allerdings, dass das CAD-Modell verfügbar und ausreichend detailliert ist. Abweichungen zwischen digitaler Konstruktion und realem Objekt können die Erkennung beeinflussen.

Im modellfreien Szenario werden nach den verfügbaren Informationen stattdessen mehrere Referenzbilder des Objekts verwendet. Diese Aufnahmen sollen dem System helfen, die Form und das Erscheinungsbild aus unterschiedlichen Blickwinkeln zu erfassen. In den veröffentlichten Projektinformationen ist von einer kleinen Anzahl an Referenzansichten die Rede; eine separate Veröffentlichung zu bereitgestellten Gewichten nennt als Beispiel 16 bis 20 Ansichten.

Die modellfreie Variante kann für Objekte relevant sein, für die kein CAD-Modell vorliegt. Gleichzeitig verschiebt sich die Anforderung von der Konstruktion zur Datenerfassung: Die Referenzbilder müssen die wesentlichen Oberflächen, Konturen und Perspektiven abdecken. Glänzende, transparente oder stark symmetrische Objekte können dabei besondere Herausforderungen darstellen.

Neuronal erzeugte Ansichten als Verbindungselement

Eine Besonderheit des Ansatzes ist die Nutzung einer neuronalen impliziten Repräsentation. Vereinfacht gesagt kann das System damit Informationen über das Erscheinungsbild und die Geometrie eines Objekts so repräsentieren, dass neue Ansichten erzeugt oder angenähert werden können. Diese Fähigkeit soll die Lücke zwischen dem CAD-basierten und dem bildbasierten Einsatz schließen.

Statt für beide Szenarien vollständig getrennte Verarbeitungsketten zu entwickeln, bleibt die nachgelagerte Pose-Schätzung nach Darstellung der Autoren grundsätzlich gleich. Die verfügbaren Informationen über das Objekt werden zunächst in eine geeignete Repräsentation überführt. Anschließend können die Verfahren zur Schätzung und Verfeinerung der Pose auf beide Eingangssituationen angewendet werden.

Für die praktische Nutzung ist dieser Aufbau insofern relevant, als Entwicklungsabteilungen nicht zwingend zwei voneinander unabhängige Systeme pflegen müssten. Ob ein Objekt durch ein CAD-Modell oder durch Referenzbilder beschrieben wird, kann innerhalb eines gemeinsamen Rahmens verarbeitet werden. Das reduziert potenziell die Komplexität der Softwarearchitektur, ersetzt jedoch nicht die Validierung für den jeweiligen Anwendungsfall.

Technische Grundlagen des Modells

FoundationPose basiert nach den veröffentlichten Informationen auf einer Transformer-basierten Netzwerkarchitektur. Als Bestandteile werden unter anderem Faltungsnetzwerke mit Residualverbindungen sowie ein Decoder mit Multi-Head-Self-Attention genannt. Diese Komponenten verbinden lokale Bildmerkmale mit Mechanismen, die Beziehungen zwischen verschiedenen Merkmalen und Bildbereichen modellieren können.

Für die Pose-Schätzung muss das Modell mehrere Informationsquellen zusammenführen. Dazu gehören beispielsweise die beobachteten Bilddaten, die erwartete Objektgeometrie und die Beziehung zwischen einer möglichen Objektansicht und der realen Szene. Ein Transformer kann dabei helfen, Merkmale über größere räumliche Zusammenhänge hinweg zu vergleichen. Die Faltungsblöcke liefern insbesondere visuelle Grundmerkmale wie Kanten, Texturen und lokale Strukturen.

Der Ansatz nutzt außerdem kontrastives Lernen. Dabei werden Darstellungen ähnlicher oder zusammengehöriger Beispiele näher zueinander geführt, während sich nicht zusammengehörige Beispiele stärker voneinander unterscheiden sollen. Für die Objektpose kann dies bedeuten, dass unterschiedliche Ansichten desselben Objekts als verwandte Informationen behandelt werden, obwohl sie sich im Bild deutlich unterscheiden.

Eine weitere Säule ist das Training mit umfangreichen synthetischen Daten. Synthetische Trainingsszenen lassen sich in großer Zahl erzeugen und gezielt mit bekannten Objektposen versehen. Dadurch entstehen automatisch präzise Referenzdaten, die in realen Aufnahmen nur mit erheblichem Aufwand erstellt werden könnten. Nach Angaben der Projektbeschreibung wurde auch ein großes Sprachmodell in den Entwicklungsprozess der synthetischen Datenerzeugung einbezogen.

Synthetische Daten haben allerdings nicht automatisch dieselbe Vielfalt wie reale Umgebungen. Die Übertragbarkeit hängt davon ab, wie realistisch Materialien, Beleuchtung, Hintergründe, Kameraparameter und Verdeckungen simuliert werden. Ein System kann in kontrollierten Tests hohe Ergebnisse erzielen und dennoch in einer Produktionsumgebung zusätzliche Anpassungen benötigen.

Warum der Verzicht auf Fine-Tuning relevant ist

In vielen Computer-Vision-Projekten entsteht ein beträchtlicher Aufwand durch die Anpassung an neue Objekte. Für jedes zusätzliche Objekt müssen Bilder aufgenommen, annotiert, geprüft und in Trainings- oder Validierungsprozesse integriert werden. Gerade in dynamischen Produktionsumgebungen mit häufig wechselnden Artikeln, Varianten oder Werkzeugen kann dieser Prozess die Einführung verlangsamen.

Ein System, das neue Objekte ohne objektspezifisches Fine-Tuning verarbeiten kann, könnte diese Einführung vereinfachen. Der Fokus verschiebt sich dann auf die Bereitstellung eines CAD-Modells oder einer geeigneten Referenzbildsammlung. Das ist insbesondere für Unternehmen interessant, die viele unterschiedliche Objekte in kleinen Stückzahlen oder häufig wechselnden Konfigurationen verarbeiten.

„Ohne Fine-Tuning“ bedeutet jedoch nicht, dass keine Vorbereitung erforderlich ist. Unternehmen müssen weiterhin sicherstellen, dass:

• die 3D-Daten korrekt skaliert und ausgerichtet sind;
• Referenzbilder aus geeigneten Perspektiven vorliegen;
• die Kameras kalibriert und mechanisch stabil montiert sind;
• die Beleuchtung für die relevanten Oberflächen ausreichend ist;
• die verwendete GPU-Hardware die erforderliche Verarbeitungsgeschwindigkeit erreicht;
• die Genauigkeit unter realen Betriebsbedingungen überprüft wurde;
• Fehlerfälle erkannt und an nachgelagerte Systeme gemeldet werden.

Die Einsparung liegt daher vor allem im Wegfall eines zusätzlichen Trainingslaufs pro Objekt. Datenmanagement, Systemintegration, Kalibrierung und Qualitätskontrolle bleiben wesentliche Bestandteile eines professionellen Einsatzes.

Potenzielle Einsatzfelder in der Industrie

Robotik und Greifplanung

Roboter in Lager, Produktion und Recycling müssen Objekte häufig aufnehmen, obwohl diese nicht exakt ausgerichtet sind. Eine präzise 6D-Pose kann als Grundlage für die Auswahl einer geeigneten Greifstrategie dienen. Das System kann beispielsweise erfassen, ob ein Bauteil auf der Seite liegt, gedreht wurde oder teilweise von einem anderen Gegenstand verdeckt wird.

Für die eigentliche Greifbewegung müssen zusätzlich Faktoren wie Objektgewicht, Reibung, Materialfestigkeit, Greifergeometrie und Kollisionsrisiken berücksichtigt werden. FoundationPose liefert daher nicht die vollständige Robotersteuerung, sondern eine visuelle Eingangsinformation für nachgelagerte Planungssysteme.

Montage und Qualitätsprüfung

In Montageprozessen können Kameras überprüfen, ob Komponenten korrekt positioniert wurden. Die 6D-Pose erlaubt dabei eine räumlich detailliertere Kontrolle als eine reine Erkennung des Objektvorkommens. Ein System könnte beispielsweise feststellen, ob ein Bauteil zwar vorhanden, aber verdreht oder nicht vollständig eingesetzt ist.

Für die Qualitätssicherung ist die Unsicherheit der Schätzung besonders wichtig. Eine Anwendung sollte nicht nur eine Pose ausgeben, sondern möglichst auch Konfidenz- oder Gütemaße berücksichtigen. Bei niedriger Sicherheit kann eine manuelle Prüfung oder eine erneute Aufnahme ausgelöst werden.

Logistik und Lagerautomation

In automatisierten Lagern sind Verpackungen, Behälter und Produkte nicht immer in einer standardisierten Orientierung angeordnet. Eine robuste Posenschätzung kann Systeme bei der Identifikation von Greifpunkten und der Kollisionsvermeidung unterstützen. Besonders bei neuen Artikeln kann der Verzicht auf objektspezifisches Training die Einführung erleichtern, sofern geeignete digitale Modelle oder Referenzaufnahmen verfügbar sind.

Augmented Reality und räumliche Assistenzsysteme

Auch außerhalb der Robotik ist die räumliche Objektpose relevant. Digitale Anleitungen können sich an realen Werkzeugen oder Maschinenkomponenten ausrichten. Wartungssysteme könnten Informationen abhängig vom Blickwinkel und der Position eines konkreten Bauteils einblenden. Die Qualität solcher Anwendungen hängt jedoch zusätzlich von der Latenz, der Kamerastabilität und der Genauigkeit der räumlichen Registrierung ab.

Von der Modellveröffentlichung zur produktiven Anwendung

Die Bereitstellung auf Hugging Face senkt die Zugangshürden für Entwicklerinnen und Entwickler. Modellinformationen, Gewichte und Dokumentation können an einem zentralen Ort verfügbar gemacht werden. Für Unternehmen bedeutet das zunächst eine schnellere technische Bewertung. Ein Team kann prüfen, ob das Modell mit der eigenen Kamera, der vorhandenen GPU und den spezifischen Objektklassen grundsätzlich funktioniert.

Zwischen einem erfolgreichen Prototyp und einem belastbaren Produktionssystem bestehen jedoch erhebliche Unterschiede. In einer Demonstration sind Kamera, Objekt, Hintergrund und Beleuchtung häufig kontrolliert. Im industriellen Alltag können dagegen Staub, Vibrationen, wechselnde Lichtquellen, bewegliche Personen, Reflexionen und teilweise Verdeckungen auftreten.

Für eine strukturierte Evaluierung sollten Unternehmen mindestens folgende Fragen beantworten:

• Wie groß ist der Positions- und Winkelfehler unter den tatsächlichen Betriebsbedingungen?
• Wie schnell kann die Pose geschätzt und aktualisiert werden?
• Wie verhält sich das Tracking bei kurzzeitiger Verdeckung?
• Wie häufig tritt Drift über längere Sequenzen auf?
• Wie reagiert das System auf ähnliche oder symmetrische Objekte?
• Welche Oberflächen, Materialien und Beleuchtungen führen zu Fehlinterpretationen?
• Welche GPU- und Speicheranforderungen entstehen im Zielbetrieb?
• Wie werden unsichere oder widersprüchliche Ergebnisse behandelt?
• Welche Lizenzbedingungen gelten für die geplante kommerzielle Nutzung?

Diese Punkte sind nicht nur technische Details. In sicherheitskritischen oder kostenintensiven Prozessen kann eine falsche Pose zu beschädigten Produkten, Stillständen oder Kollisionen führen. Die visuelle Schätzung sollte deshalb in eine umfassende Systemüberwachung eingebettet werden.

Grenzen bei Beleuchtung, Verdeckung und Objektgeometrie

Die allgemeine Aussage, dass ein Modell auf neuen Objekten ohne Fine-Tuning eingesetzt werden kann, beschreibt die vorgesehene methodische Eigenschaft, ist aber keine Garantie für jede reale Szene. Gerade bei 6D-Tracking können kleine Fehler über mehrere Bilder hinweg anwachsen. Wenn das Objekt zeitweise nicht sichtbar ist oder sich das Erscheinungsbild stark verändert, kann das System die Orientierung falsch fortschreiben.

Schwierigkeiten können unter anderem bei spiegelnden Metallflächen, transparenten Materialien, weichen oder verformbaren Gegenständen sowie stark texturlosen Oberflächen auftreten. Auch symmetrische Objekte sind anspruchsvoll, weil mehrere Orientierungen visuell ähnlich aussehen können. In solchen Fällen muss die Anwendung mit Mehrdeutigkeiten umgehen können.

Die Beleuchtung ist ein weiterer kritischer Faktor. Ein Modell, das mit synthetischen und realen Variationen trainiert wurde, kann unterschiedliche Lichtbedingungen besser generalisieren als ein eng spezialisiertes System. Dennoch lassen sich starke Schatten, Überbelichtung, Gegenlicht oder farbige Reflexionen nicht vollständig ausschließen. In industriellen Projekten bleibt daher ein abgestimmtes Beleuchtungskonzept häufig ebenso wichtig wie die Auswahl des neuronalen Modells.

Bei Verdeckungen kommt es auf die Fähigkeit an, aus den sichtbaren Teilen auf die vollständige Pose zu schließen. Teilweise verdeckte Objekte können weiterhin erkannt werden, wenn markante geometrische Merkmale sichtbar bleiben. Bei einer vollständigen oder längeren Verdeckung muss das Tracking dagegen auf zeitliche Modelle oder zusätzliche Sensorik zurückgreifen.

Lizenz, Hardware und Governance

Die auf Hugging Face veröffentlichte Modellbeschreibung verweist auf die NVIDIA Open Model License. Vor einer kommerziellen Nutzung sollten Unternehmen den konkreten Lizenztext prüfen und mit den internen Anforderungen an Weitergabe, Veränderung, Bereitstellung und Haftung abgleichen. Die Bezeichnung „für kommerzielle Nutzung bereit“ ersetzt keine juristische Prüfung des konkreten Einsatzszenarios.

Darüber hinaus sollten Unternehmen die Herkunft aller verwendeten Komponenten dokumentieren. Neben dem eigentlichen Modell können Softwarebibliotheken, CUDA-Komponenten, Trainingsdaten, vortrainierte Gewichte und externe Abhängigkeiten eigenen Lizenzbedingungen unterliegen. Eine nachvollziehbare Dokumentation erleichtert spätere Audits und die Pflege der Lösung.

Die technische Architektur ist auf GPU-beschleunigte Verarbeitung ausgelegt. Je nach Auflösung, Anzahl der Objekte, gewünschter Bildrate und Parallelität können die Anforderungen an Grafikspeicher und Rechenleistung erheblich variieren. Für Edge-Anwendungen müssen zusätzlich Energieverbrauch, Wärmeentwicklung und verfügbare Schnittstellen berücksichtigt werden.

Auch der Datenschutz kann relevant sein. Zwar verarbeitet ein Posenschätzsystem primär Objekt- und Kameradaten, doch industrielle Kameras können nebenbei Personen, Arbeitsplätze oder vertrauliche Produktionsinformationen erfassen. Unternehmen sollten deshalb klären, welche Bilder gespeichert werden, wie lange sie vorgehalten werden und ob eine Verarbeitung lokal oder in einer externen Infrastruktur erfolgt.

Einordnung für B2B-Teams und KI-Strategien

FoundationPose steht exemplarisch für eine Entwicklung in der künstlichen Intelligenz: Modelle werden nicht mehr ausschließlich für eine eng abgegrenzte Objektklasse entwickelt, sondern sollen auf neue Aufgabeninstanzen übertragen werden können. Für B2B-Organisationen kann dies die Wirtschaftlichkeit von Computer-Vision-Projekten verändern, weil der Aufwand für die Anpassung an neue Produkte sinken kann.

Für die Einführung empfiehlt sich ein stufenweises Vorgehen. Zunächst sollte ein klar abgegrenzter Anwendungsfall mit messbaren Kriterien ausgewählt werden. Dazu gehören beispielsweise die zulässige Positionsabweichung, die maximale Latenz und die erforderliche Erkennungsrate. Anschließend kann ein repräsentativer Datensatz aus dem tatsächlichen Betrieb erstellt werden.

Mindverse kann in einem solchen Prozess als KI-Partner für die strukturierte Aufbereitung von Recherche, Anforderungsdokumenten, Testplänen und interner Kommunikation eingesetzt werden. Die fachliche Validierung der Computer-Vision-Komponente bleibt dabei eine technische Aufgabe des jeweiligen Unternehmens. Entscheidend ist die Verbindung aus Modellbewertung, Prozessverständnis und kontrollierter Umsetzung.

Für Entscheiderinnen und Entscheider ist insbesondere die Gesamtleistung der Lösung maßgeblich. Ein einzelnes Modell kann hohe akademische oder benchmarkbasierte Ergebnisse erzielen, ohne dass damit automatisch die Anforderungen eines konkreten Produktionsprozesses erfüllt sind. Wirtschaftlich relevant werden vor allem Integrationsaufwand, Wartbarkeit, Ausfallsicherheit und die Fähigkeit, neue Objekte tatsächlich mit geringem Zusatzaufwand einzuführen.

Was die Veröffentlichung für die Computer Vision signalisiert

Die Veröffentlichung von FoundationPose zeigt, dass die Grenzen zwischen klassischer 3D-Modellverarbeitung, generativer Darstellung und allgemeiner visueller Repräsentation zunehmend durchlässiger werden. CAD-Daten und Referenzbilder werden in einem gemeinsamen System verarbeitet, während neuronale Verfahren zusätzliche Ansichten und Beziehungen zwischen Objekt und Szene modellieren.

Für die Industrie ist dieser Trend vor allem deshalb relevant, weil viele Unternehmen bereits über umfangreiche digitale Produktinformationen verfügen. Wenn diese Daten direkt in visuelle Automatisierung einfließen können, verkürzt sich potenziell die Strecke zwischen Produktentwicklung und Maschinenwahrnehmung. Gleichzeitig müssen Datenqualität und Standardisierung stärker berücksichtigt werden.

Die Veröffentlichung macht außerdem deutlich, dass Generalisierung nicht allein durch größere Modelle entsteht. Die Kombination aus synthetischem Training, geeigneter Architektur, kontrastivem Lernen und geometrischer Repräsentation ist entscheidend. Die Übertragbarkeit auf neue Objekte hängt letztlich davon ab, ob das System die für den jeweiligen Prozess relevanten visuellen und räumlichen Variationen abdeckt.

Fazit

FoundationPose ist ein Ansatz zur einheitlichen 6D-Posenschätzung und Objektverfolgung, der auf neue Objekte ohne objektspezifisches Fine-Tuning übertragen werden soll. Ein CAD-Modell oder eine begrenzte Zahl von Referenzbildern kann dabei als Grundlage dienen. Die Technologie adressiert damit eine zentrale Hürde industrieller Computer-Vision-Projekte: den wiederkehrenden Anpassungsaufwand bei neuen Objektvarianten.

Die Bereitstellung auf Hugging Face erleichtert den Zugang für Entwicklerteams und Unternehmen, die den Ansatz praktisch untersuchen möchten. Die wichtigsten offenen Fragen liegen weniger in der grundsätzlichen Verfügbarkeit als in der konkreten Leistungsfähigkeit unter realen Bedingungen. Beleuchtung, Verdeckung, Symmetrie, Materialeigenschaften, Tracking-Stabilität, Hardware, Lizenz und Prozesssicherheit müssen für jeden Einsatzfall separat bewertet werden.

Für B2B-Unternehmen bietet FoundationPose damit eine interessante Grundlage für Pilotprojekte in Robotik, Inspektion, Logistik und räumlicher Assistenz. Ein belastbarer produktiver Einsatz entsteht jedoch erst durch repräsentative Tests, eine geeignete Systemintegration und klare Regeln für den Umgang mit Unsicherheit und Fehlentscheidungen.

Bibliografie NVIDIA, FoundationPose auf Hugging Face: https://huggingface.co/nvidia/foundationpose NVlabs, offizielles GitHub-Repository zu FoundationPose: https://github.com/NVlabs/FoundationPose NVIDIA Research, Projektseite „FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects“: https://nvlabs.github.io/FoundationPose/ Wen, Bowen; Yang, Wei; Kautz, Jan; Birchfield, Stan: „FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects“, CVPR 2024: https://openaccess.thecvf.com/content/CVPR2024/papers/Wen_FoundationPose_Unified_6D_Pose_Estimation_and_Tracking_of_Novel_Objects_CVPR_2024_paper.pdf arXiv, „FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects“, arXiv:2312.08344: https://arxiv.org/abs/2312.08344 Hugging Face Papers, Zusammenfassung des Forschungsbeitrags zu FoundationPose: https://huggingface.co/papers/2312.08344 Hugging Face, Community-Modellgewichte zu FoundationPose: https://huggingface.co/gpue/foundationpose-weights HuggingPapers, Beitrag zur Bereitstellung von FoundationPose auf Hugging Face: https://x.com/HuggingPapers/status/2099914720153129087